楊 茜

(鄭州大學(xué) 體育學(xué)院，河南 鄭州 450044)

0 引 言

“信息過載”導(dǎo)致了互聯(lián)網(wǎng)內(nèi)容服務(wù)提供商難以為不同的用戶推薦符合其偏好的資源。而隨著搜索技術(shù)與檢索技術(shù)的逐漸發(fā)展，能夠在一定程度上緩解這些問題，由于不用的用戶對于個性化的需求各不相同，導(dǎo)致其并不能有效幫助用戶找到符合其興趣的偏好資源。

在此需求背景下，許多的研究工作者對能夠解決上述問題的推薦系統(tǒng)進行了深入的研究，并給出了有效的推薦系統(tǒng)實現(xiàn)策略[1-3]。其中應(yīng)用范圍最廣、研究最深入的是協(xié)同過濾[2,3]，而多數(shù)基于其的推薦預(yù)測系統(tǒng)，僅僅致力于通過相似度判別方法找出用戶的k最近鄰，通過對k最近鄰行為的分析來找出當(dāng)前用戶可能的偏好資源。這種方法在面對冷啟動[2]與數(shù)據(jù)稀疏性[3]問題時，對用戶的區(qū)分度較低，很難找到真正相似的最近鄰用戶，在這種情況下得出的推薦結(jié)果的可靠性相對較低，很難得出高質(zhì)量的推薦結(jié)果[4]。

并且，上述推薦系統(tǒng)僅關(guān)注于“用戶-項目”間的二維關(guān)系模型，多以用戶間的歷史偏好數(shù)據(jù)為核心，通過度量用戶偏好行為間的交互影響關(guān)系，建立用戶的偏好預(yù)測模型。由于用戶偏好的產(chǎn)生受多種內(nèi)在與外界因素的影響，用戶的職業(yè)、年齡、所處上下文環(huán)境等都會影響用戶的偏好決策[5]。并且對于同一用戶而言，當(dāng)其所處的上下文環(huán)境發(fā)生變化，其偏好也會產(chǎn)生相應(yīng)的波動[6]，以位置上下文的影響為例，當(dāng)位置屬性為“家”時，用戶會傾向于“電視節(jié)目”，當(dāng)位置屬性為“公共交通”時，則會更傾向于“音樂”、“新聞資訊”等。上述推薦系統(tǒng)由于無法辨別用戶的位置等上下文環(huán)境差異，也就難以取得高質(zhì)量的推薦效果。

隨著“泛在計算”等新型運算模式的提出與發(fā)展，為主動發(fā)現(xiàn)并處理用戶狀態(tài)、所處位置等上下文信息提供支撐數(shù)學(xué)模型，那么融合各種上下文信息的情景感知推薦系統(tǒng)逐漸成為了新的發(fā)展方向。在這種情況下，受多視圖學(xué)習(xí)相關(guān)理論啟發(fā)，提出了一種基于線性判別分析的情景感知推薦方法，以期為相關(guān)情景感知推薦方法研究提供有益參考。

1 相關(guān)工作

情景感知推薦近年來的應(yīng)用與發(fā)展越來越廣泛與深入，主要的思路為將上下文信息融入偏好獲取過程或?qū)ι舷挛男畔⑦M行建模分析，優(yōu)化用戶的偏好模型。例如，A.Karatzoglou等[7]提出了通過引入多種神經(jīng)元來融合上下文信息，以改進協(xié)同過濾算法，提高了推薦準確度；Gantner Z等[8]采用因式分解模型對電影上下文信息進行建模分析，提高了電影推薦的準確度；涂丹丹等[9]提出了一種基于聯(lián)合概率矩陣分級的情景感知廣告推送方法，提高了廣告推薦的精確度；郭晶晶等[10]基于物聯(lián)網(wǎng)面向虛擬社區(qū)，提出了一種社會化網(wǎng)絡(luò)環(huán)境下，用戶群組間信任關(guān)系的推薦方法；顧梁等[11]面向播存網(wǎng)絡(luò)環(huán)境采用協(xié)同過濾算法實現(xiàn)了UCL推薦策略，等。

這些方法多是基于上下文信息的建模來為用戶生成推薦服務(wù)，也即是從單視圖角度建立用戶的偏好模型，難以全面的涵蓋影響用戶偏好的各種信息。并且這些方法多以提高推薦準確度為度量準則，未能兼顧多種度量標準，影響了推薦質(zhì)量和推薦系統(tǒng)的大規(guī)模推廣應(yīng)用。

而多視圖學(xué)習(xí)研究起源于Yarowsky[12]，用多視圖解決圖像樣本特征分類問題，其定義比較寬泛，一般只要滿足“學(xué)習(xí)的數(shù)據(jù)可以用多視圖描述”，目前是樣本分類、模型優(yōu)化與半監(jiān)督學(xué)習(xí)等領(lǐng)域的熱門研究方向，例如，將多視圖學(xué)習(xí)用戶復(fù)雜標簽樣本分類、手寫數(shù)字識別等。在推薦領(lǐng)域，推薦的過程可以看作是樣本分類的過程，即是以用戶偏好為分類特征，相關(guān)的樣本數(shù)據(jù)采用多視圖來描述：可以從用戶、項目、內(nèi)容提供商等視圖對相關(guān)數(shù)據(jù)進行描述，也即是推薦的產(chǎn)生可以轉(zhuǎn)換為多視圖優(yōu)化問題。

受此啟發(fā)，本文提出了一種基于線性判別分析的情景感知推薦方法。該方法不僅降低了時間開銷，而且能夠同時提高推薦準確度與多樣性，即是說明了所提出方法能夠兼顧多種度量準則。該方法的具體描述見下文。

2 基于多視圖數(shù)據(jù)融合的情景感知推薦方法

2.1 多視圖數(shù)據(jù)的獲取

本文所采用的多視圖數(shù)據(jù)主要包括用戶視圖下的偏好項目特征數(shù)據(jù)與項目視圖下的項目吸引程度。其中，用戶視圖下的偏好項目特征數(shù)據(jù)表示基于用戶的歷史偏好行為，所建立起的描述其偏好項目特征的數(shù)據(jù)集合。其中用戶的歷史偏好信息多由評分矩陣表述(見表1)，Pij指代用戶Ui對于任意項目Ij的歷史偏好值，偏好程度與Pij的值為正相關(guān)關(guān)系。

表1 用戶歷史偏好矩陣

度量用戶間偏好相似程度的主流方法包括以下3種：余弦相似度[2]、修正的余弦相似度[3]、泊松相似度[7]，3種度量策略的實現(xiàn)思路均為度量歷史偏好行為偏差程度，并對其差異程度采用歸一化的度量值表示。本文使用修正的余弦相似度方法作為偏好行為近似程度的度量策略，具體如下

(1)

在通過上述方法獲取偏好近鄰的基礎(chǔ)上，基于偏好近鄰的歷史偏好信息，建立用戶偏好項目的屬性特征描述，具體如下

(2)

(3)

其中，CUip指代用戶Ui對于任意屬性p的偏好特征，KNN(Ui)表示獲取的用戶Ui的最近鄰用戶集合，cUjp指代Ui的任一近鄰用戶Uj對于p的平均偏好度量值，Ip為Uj的歷史偏好項目中，包含屬性p的項目集合，PUjm表示Uj對于項目m(m∈Ip)的歷史偏好值。

基于項目視圖下的項目吸引力，指的是從項目視圖下度量項目對于用戶的吸引程度，能夠反映出項目被推薦的概率。其值越大表明項目被推薦的概率也就越大，推薦系統(tǒng)整體的項目吸引力能夠反映出用戶推薦列表對于項目整體的覆蓋程度。度量此值的目的在于減弱長尾效應(yīng)[7]，使每個項目能夠推薦至偏好它的用戶群組，而不是只推薦熱門資源，避免冷門資源越來越冷門。項目吸引力采用A(m,Ui) 表示，具體度量方法如下

(4)

2.2 多視圖數(shù)據(jù)融合

(5)

根據(jù)類間離散度與類內(nèi)離散度定義，各類中的類內(nèi)離散度矩陣可表示為

(6)

根據(jù)上述定義，總的類內(nèi)離散度矩陣可由如下方式獲取

Sk=Sk1+Sk2

(7)

類間離散度矩陣如下

St=(A1-A2)(A1-A2)T

(8)

其中，矩陣(A1-A2)(A1-A2)T是一種協(xié)方差矩陣，度量了所獲取的偏好特征與總體樣本數(shù)據(jù)間的約束程度，其對角線中的特征數(shù)據(jù)為偏好特征與樣本總體間的樣本方差，非對角線數(shù)據(jù)為樣本總體的協(xié)方差。也即是Aj指代樣本總體中各類特征數(shù)據(jù)間的離散冗余程度，St指代各類特征數(shù)據(jù)間的離散冗余程度。

根據(jù)分類準則，需通過降低分類后類間特征數(shù)據(jù)的近似程度，提高類內(nèi)特征數(shù)據(jù)的近似程度。那么，推薦結(jié)果的產(chǎn)生也就轉(zhuǎn)換成了找到使得Aj取得整體最小值，St取得整體最大值的分類準則。具體方法為將原兩類樣本數(shù)據(jù)轉(zhuǎn)換為相應(yīng)維度的特征向量，并以任一向量C為方向進行投影變換，如下

(9)

變換后的兩類類樣本均值為

(10)

變換后的類內(nèi)離散度為

=CTSkjC,j=1,2

(11)

變換后的類間離散度為

=CT(A1-A2)(A1-A2)TC

=CTStC

(12)

對于轉(zhuǎn)換之后的偏好項目集合的特征數(shù)據(jù)需求仍然是，降低分類后類間特征數(shù)據(jù)的近似程度，提高類內(nèi)特征數(shù)據(jù)的近似程度。為此，采用Fisher判別準則進行樣本數(shù)據(jù)優(yōu)化，具體如下

(13)

具體方法為以其判別準則為優(yōu)化目標，獲得能夠使JFisher最大的投影方向，具體如下

(14)

使用Lagrange乘子法作為求解方法，設(shè)CTSkC為非零常數(shù)b，則

L(C,δ)=CTStC-δ(CTSkC-b)

(15)

對C求偏導(dǎo)數(shù)可以得出

(16)

令偏導(dǎo)數(shù)為0，即是

StC′=δSkC′

(17)

(18)

3 實驗與結(jié)果分析

3.1 數(shù)據(jù)集

實驗選取擴充后的BookCrossing數(shù)據(jù)集(數(shù)據(jù)集下載地址如下：http://www2.informatik.uni-freiburg.de/～cziegler/BX)，并以此為基礎(chǔ)加入一定的上下文生成規(guī)則，構(gòu)建一個模擬真實數(shù)據(jù)集BookCrossing-MN。其中，核心數(shù)據(jù)集是從Book-Crossing圖書社區(qū)上采集的真實數(shù)據(jù)。其中共包含278 858名讀者對于271 379圖書的借閱、評價等行為信息記錄。BookCrossing-MN共包括如下幾部分：

BC-MN-Users，讀者的ID、位置、年齡；

BC-MN-Books，圖書的標題、編號、所屬領(lǐng)域、出版社、作者、頁碼；

BC-MN-Ratings，讀者對相應(yīng)圖書的偏好值；

BC-MN-Contexts，包括時間、位置、狀態(tài)信息等上下文信息。

3.2 算法度量準則

準確度是衡量推薦系統(tǒng)質(zhì)量最直觀與最常用的度量準則，能夠直接反映出推薦結(jié)果是否符合其偏好模型。其中P@R依據(jù)推薦列表中的Top-R個相關(guān)項目，并將其與測試集中訪問頻次最高的Top-R個項目進行對比，其值與準確度為正相關(guān)關(guān)系

(19)

多樣性是另一個度量推薦效果的度量準則，S(i,j)指代項目間的相似關(guān)系，|R|指代推薦列表的長度，那么多樣性定義如下

(20)

3.3 實驗及分析

實驗一：參數(shù)最優(yōu)取值實驗

參數(shù)α為歷史偏好行為次數(shù)與歷史偏好值對于項目吸引力影響的修正參數(shù)，項目吸引力是從項目視圖下度量項目價值。其中，歷史偏好次數(shù)能夠反映出項目的熱門程度，歷史偏好值反映的是相應(yīng)項目符合用戶偏好的程度。本次實驗將項目吸引度最大的項目作為相應(yīng)用戶的推薦列表，并采用覆蓋率作為度量準則。具體如下

(21)

其中，|I|指代推薦系統(tǒng)中所有的項目數(shù)量，R(Ui)指代Ui的推薦列表，分子指代系統(tǒng)中所有用戶推薦列表的并集。

在本次實驗中，數(shù)據(jù)集的處理采用ABO方法[14]，本文在每個參數(shù)實驗節(jié)點運算10次，并把其均值作為相應(yīng)度量結(jié)果值。并將本文數(shù)據(jù)集劃分為不同比例的訓(xùn)練集與測試集，經(jīng)過反復(fù)對比實驗，選取出有代表性的訓(xùn)練集比例，以及α取值(表2)，對比結(jié)果如圖1～圖4所示。

表2 參數(shù)α代表性取值

由圖1～圖4可知：α取不同值的時候，訓(xùn)練集比例從小到大，算法的覆蓋率并無統(tǒng)一規(guī)律，說明訓(xùn)練集比例對于覆蓋率顯著影響。另外，隨著推薦列表長度的增加，覆蓋率隨之增加，說明提高推薦列表長度有助于獲得更高的覆蓋率。而其長度應(yīng)依具體應(yīng)用環(huán)境控制在合適的范圍內(nèi)。原因在于：一方面減少算法時間開銷，另一方面由于數(shù)據(jù)集的稀疏性，增加推薦列表長度會導(dǎo)致算法涵蓋不相關(guān)的偏好信息，影響推薦準確度。綜合對比4個實驗結(jié)果圖，隨著α的增加，本文方法的覆蓋率呈現(xiàn)出先增后減的趨勢，并在α=1.21時取得最優(yōu)結(jié)果，因此在接下來的實驗中，取α=1.21。

圖1 20%數(shù)據(jù)為訓(xùn)練集的實驗結(jié)果

圖2 40%數(shù)據(jù)為訓(xùn)練集實驗結(jié)果

圖3 60%數(shù)據(jù)為訓(xùn)練集實驗結(jié)果

圖4 70%數(shù)據(jù)為訓(xùn)練集實驗結(jié)果

實驗二：算法對比實驗

在獲取最優(yōu)參數(shù)的基礎(chǔ)上，將本文算法與現(xiàn)有的算法進行實驗分析對比。本文選取兩個有代表性的方法RNCF[13]和GBCR[14]。其中RNCF是不考慮上下文信息的推薦方法，主要思路為通過建立歸一化的評分體系，削弱用戶評分尺度的影響，并在此基礎(chǔ)上改進協(xié)同過濾算法。而協(xié)同過濾算法是最具代表性并且應(yīng)用最廣泛的推薦方法。GBCR是通過圖模型對上下文信息建模，通過度量模型節(jié)點間相關(guān)關(guān)系生成偏好模型。GBCR是推薦系統(tǒng)最新的研究方向的代表性方法。由于RNCF不考慮上下文信息，所以只采用BC-MN-Ratings部分。

(1)準確性對比

準確度是目前度量推薦效果最常用的度量準則，它能夠直觀的反映出所推薦項目是否符合用戶的偏好模型，其值越大表明推薦質(zhì)量越高，本文選取具有代表意義的實驗結(jié)果如圖5和圖6所示。

圖5 40%數(shù)據(jù)為訓(xùn)練集實驗結(jié)果

圖6 60%數(shù)據(jù)為訓(xùn)練集實驗結(jié)果

由圖5，圖6所示，在兩組對比實驗結(jié)果上，本文算法與GBCR能夠相比于RNCF能夠取得更好的推薦準確度，說明在建立用戶偏好模型時，考慮相關(guān)的上下文信息能夠提高推薦算法的推薦質(zhì)量。而本文算法相比于GBCR與RNCF，準確度平均提升了13.54%、24.28%，說明采用多視圖學(xué)習(xí)融合用戶偏好的多視圖數(shù)據(jù)能夠取得更好的推薦準確度。

(2)多樣性對比

多樣性描述了推薦算法能否挖掘用戶潛在偏好的重要度量標準。在幾種不同比例訓(xùn)練集上進行實驗測試，選取出有代表性的40%與60%的訓(xùn)練集比例進行對比實驗，見表3。

表3 多樣性對比實驗結(jié)果

從表3可以看出，本文算法的多樣性優(yōu)于兩種對比算法，相比于GBCR與RNCF多樣性分別提升了26.42%與39.15%，也即是本文算法有更大的概率覆蓋用戶的潛在偏好。原因在于本文算法相比于兩個對比算法，采用了多視圖學(xué)習(xí)的方法融合了用戶偏好的多維特征，某種程度上降低了用戶歷史偏好的影響，豐富了推薦列表的多樣性。

(3)時間復(fù)雜度對比

環(huán)境為Intel(R)Core(TM)i3，主頻2.1G隨機HZ。選取50個用戶為一組，計算3種算法的平均時間開銷。實驗結(jié)果見表4(時間單位為s)。

在表4中，第一列指代推薦列表長度，由表中數(shù)據(jù)可知，隨著推薦列表的增加，3種算法的時間開銷對隨之增加，并且初始推薦的時間開銷(推薦列表長度為10)較多，隨著推薦列表長度的持續(xù)增加，時間開銷的增加幅度逐漸減少。這是由于算法初次運行時會計算出相關(guān)的中間變量，所需的時間開銷較多。3個算法中，RNCF的時間開銷最少，這是由于它只采用了評分數(shù)據(jù)，沒有采用上下文數(shù)據(jù)，減少了時間開銷。而本文算法的時間開銷比GBCR減少約7.74%，說明相比于現(xiàn)有的情景感知推薦方法，本文能夠降低算法的時間開銷。

表4 時間開銷對比

4 結(jié)束語

情景感知推薦方法研究是目前人工智能研究熱點之一，國內(nèi)外各個研究機構(gòu)、大學(xué)和互聯(lián)網(wǎng)巨頭公司等都投入了大量的人力和物力進行探索和研究?，F(xiàn)有的情景感知推薦方法，多采用單視圖數(shù)據(jù)建立用戶的偏好模型，導(dǎo)致了推薦結(jié)果無法兼顧多種度量準則，影響了推薦質(zhì)量。受多視圖學(xué)習(xí)相關(guān)理論啟發(fā)，提出了一種基于線性判別分析的情景感知推薦方法，與現(xiàn)有的方法比較，本文方法不僅降低了時間開銷，而且準確度平均提高18.91%，多樣性平均提高32.79%，即是說明了所提出方法能夠兼顧多種度量準則，提高了推薦質(zhì)量。

[1]SUN Guangfu,WU Le,LIU Qi,et al.Recommendations based on collaborative filtering by exploiting sequential beha-viors[J].Journal of Software,2013,24(11):2711-2733(in Chinese).[孫光福,吳樂,劉淇,等.基于時序行為的協(xié)同過濾推薦算法[J].軟件學(xué)報,2013,24(11):2711-2733.]

[2]WANG Xingmao,ZHANG Xingming.Collaborative recommendation algorithm based on contributor factor[J].Application Research of Computer,2015,32(12):132-136(in Chinese).[王興茂,張興明.基于貢獻因子的協(xié)同過濾推薦算法[J].計算機應(yīng)用研究,2015,32(12):132-136.]

[3]WU Yueping,DU Yi.Collaboration filtering recommendation algorithm based on artificial fish swarm algorithm[J].Computer Engineering & Design,2012,33(5):1852-1856(in Chinese).[吳月萍,杜奕.基于人工魚群算法的協(xié)同過濾推薦算法[J].計算機工程與設(shè)計,2012,33(5):1852-1856.]

[4]GAO Ming,JIN Cheqing,QIAN Weining,et al.Real-time and personalized recommendation on microblogging systems[J].Chinese Journal of Computers,2014,37(4):963-975(in Chinese).[高明,金澈清,錢衛(wèi)寧,等.面向微博系統(tǒng)的實時個性化推薦[J].計算機學(xué)報,2014,37(4):963-975.]

[5]Wu H,Yue K,Liu X,et al.Context-aware recommendation via graph-based contextual modeling and postfiltering[J].International Journal of Distributed Sensor Networks,2015(3):1-10.

[6]Kim J,Lee D,Chung K Y.Item recommendation based on context-aware model for personalized u-healthcare service[J].Multimedia Tools and Applications,2013,71(2):855-872.

[7]Karatzoglou A,Amatriain X,Baltrunas L,et al.Multiverse recommendation:N-dimensional tensor factorization for context-aware collaborative filtering[C]//Proceedings of the Fourth ACM Conference on Recommender Systems.New York:ACM,2013:79-86.

[8]Gantner Z,Rendle S,ST L.Factorization models for context-/time-aware movie recommendations[C]//Processing of the Recsys Workshop on CAMRa.New York:ACM press,2014:14-19.

[9]TU Dandan,SHU Chengchun.Using unified probabilistic matrix factorization for contexual advertisement recommendation[J].Journal of Software,2013,24(3):454-464(in Chinese).[涂丹丹,舒承椿.基于聯(lián)合概率矩陣分級的上下文廣告推薦算法[J].軟件學(xué)報,2013,24(3):454-464.]

[10]GUO Jingjing,MA Jianfeng.Trust recommendation algorithm for virtual community based interest of things[J].Journal of XiDian University,2015,42(2):52-57(in Chinese).[郭晶晶,馬建峰.面向虛擬社區(qū)物聯(lián)網(wǎng)的信任推薦算法[J].計算機研究與發(fā)展,2015,42(2):52-57.]

[11]GU Liang,YANG Peng,LUO Junzhou.A collaborative filtering recommedation method for UCL in broadcast-storage network[J].Journal of Computer Research and Development,2015,52(2):475-486(in Chinese).[顧梁,楊鵬,羅軍舟.一種播存網(wǎng)絡(luò)環(huán)境下的UCL協(xié)同過濾推薦方法[J].計算機研究與發(fā)展,2015,52(2):475-486.]

[12]Baltrunas L,Ricci F.Experimental evaluation of context-dependent collaborative filtering using item splitting[J].User Modeling and User-Adapted Interaction,2014,24(1):7-34.

[13]Kim S C,Sung K J,Park C S,et al.Improvement of colla-borative filtering using rating normalization[J].Multimedia Tools and Applications,2013,6(2):1-12.

[14]Wu H,Yue K,Liu X,et al.Context-aware recommendation via graph-based contextual modeling and postfiltering[J].International Journal of Distributed Sensor Networks,2015,21(3):1-10.